tensorflow 的使用逻辑：

用 Tensor 表示数据；

用 Variable 维护状态；

用 Graph 图表示计算任务，图中的节点称为 op(operation)；

用 Session 会话执行 Graph；

用 feed 和 fetch 为操作输入和输出数据；

 

Session

tensorflow 是静态图，graph 定义好之后，需要在会话中执行；

Session 相当于一个环境，负责计算张量，执行操作，他将 op 发送给 GPU 或者 CPU 之类的设备上，并提供执行方法，输出 Tensor；

在 python 中，输出的 Tensor 为 numpy 的 ndarray 类型；

 

返回 Tensor 的操作才需要 Session

如输出元组，无需 session

d1 = tf.random_uniform((3, 2)).shape        ### Tensor
print(d1)

 

创建会话

class Session(BaseSession):
    def __init__(self, target='', graph=None, config=None):
        pass

参数说明：

  • target：会话连接的执行引擎
  • graph：会话加载的数据流图
  • config：会话启动时的配置项

如果不输入任何参数，代表启动默认图　　　　【后期会在 Graph 中解释】

 

两种启动方法

### method1
sess = tf.Session()
sess.close()            ### 显式关闭 session

### method2
with tf.Session() as sess:      ### 自动关闭 session
    sess.run()

1. Session 对象使用完毕通常需要关闭以释放资源，当然不关闭也可；

2. sess.run 方法执行 op

3. 在会话中执行 graph 通常需要 feed 和 fetch 操作

 

交互式环境启动 Session

例如在 IPython 中启动 Session

sess = tf.InteractiveSession()

这种方式下通常用 tensor.eval(session) 和 operation.run() 代替 sess.run

 

补充

 

占位符

def placeholder(dtype, shape=None, name=None)

注意

1. 如果 shape 为 一维，如 label = [1,1,0,0]，要这样写

label = tf.placeholder(tf.float32, shape=[batch, ])

2. 如果 shape 第一个元素为 None，可能出现如下错误 ValueError: Cannot convert an unknown Dimension to a Tensor: ?；

此时可以把 None 改为固定值

batch = 10
x = tf.placeholder(tf.float32, shape=(batch, 1))

3. 定义了 placeholder 后，不要在用 这个变量名了

x = tf.placeholder(tf.float32, shape=(None,))
x = 3   ### no no no 前面已经用过了

 

feed

即喂数据，通常需要用 占位符 来填坑；

喂给的数据不能是 tensor，只能是 python 的数据类型；

The value of a feed cannot be a tf.Tensor object. Acceptable feed values include Python scalars, strings, lists, numpy ndarrays, or TensorHandles

也可以是 fetch 的结果，因为 op 的 fetch 为 numpy；

 

示例

d1 = tf.placeholder(dtype=tf.float32, shape=[2, 2])
d2 = tf.placeholder(dtype=tf.float32, shape=[2, 1])
d3 = tf.matmul(d1, d2)

sess2 = tf.Session()
a = np.array([[1.,2.], [2., 3.]])
b = np.array([[4.], [4.]])
print(sess2.run(d3, feed_dict={d1:a, d2:b}))
# [[12.]
#  [20.]]

 

fetch

即获取，获取节点的输出，

可以获取单个节点的输出，也可以同时执行多个节点，获取多个节点的输出

d1 = tf.placeholder(dtype=tf.float32, shape=[2, 2])
d2 = tf.placeholder(dtype=tf.float32, shape=[2, 1])
d3 = tf.matmul(d1, d2)

sess2 = tf.Session()
a = np.array([[1.,2.], [2., 3.]])
b = np.array([[4.], [4.]])
print(sess2.run(d3, feed_dict={d1:a, d2:b}))
# [[12.]
#  [20.]]

print(type(sess2.run(d3, feed_dict={d1:a, d2:b})))      # <class 'numpy.ndarray'>

可以看到输出的 Tensor 为 ndarray 类型

 

循环 fetch 时，fetch 的变量名 不要和 op 的名字一样，否则，变量名 覆盖了 op 名，下次你的 op 就不是 tensor 而是 ndarray 了

op1, op2 = tf....
sess = tf.Session()
for i in range(10):
    op1, op2 = sess.run([op1, op2])     # no

如果乱写，报错 must be a string or Tensor. (Can not convert a float32 into a Tensor or Operation.)

 

 

 

 

参考资料：